[发明专利]一种基于三级级联网络进行腹部CT肝脏病变图像的自动分割方法

权利要求书

1.一种基于三级级联网络进行腹部CT肝脏病变图像的自动分割方法，其特征在于，所述方法包括：

S1、获取三维腹部肝脏CT图像数据；

S2、对获取的三维腹部肝脏CT图像数据进行预处理和数据标准化；其中，预处理步骤包括对获取的三维腹部肝脏CT图像数据进行Hu值选取和直方图均衡化处理；

S3、将经过预处理和数据标准化的三维腹部肝脏CT图像数据输入AuxResUnet肝脏图像分割模型，获得三维腹部肝脏CT图像数据分割结果；

然后对获取的三维腹部肝脏CT图像数据分割结果取3D最大连通区域以排除假阳性区域，获得肝脏VOI；

S4、采用S3获得三维腹部肝脏CT图像数据分割结果，作为CT肝脏图像数据的掩膜，覆盖S3中得到的肝脏VOI；

S5、将经过覆盖的肝脏VOI输入AuxResUnet肝脏图像病变分割模型进行病变分割，获得肝脏图像病变分割结果；

S6、对S5中获得的肝脏图像病变分割结果进行包围盒选取，采用AuxDenseNet病变检测模型进行假阳性判别，并对最终判断为真阳性的结果添加包围盒作为最终的病变检测结果；

其中，所述AuxResUnet肝脏图像分割模型为经过肝脏图像数据训练后能够分割三维腹部肝脏CT图像数据的分割模型；

所述AuxResUnet肝脏图像病变分割模型为经过肝脏图像数据训练后能够分割肝脏病变图像的分割模型；

所述AuxDenseNet病变检测模型为经过肝脏图像数据训练后能够对肝脏图像病变分割结果进行假阳性判别的检测模型。

2.根据权利要求1所述的方法，其特征在于，

所述S2中Hu值的取值范围为[-200，200]。

3.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

扩充S2中经过预处理和数据标准化的三维腹部肝脏CT图像数据，并将扩充后的三维腹部肝脏CT图像数据数据作为用于AuxResUnet网络的训练集，目标函数设置为Dice损失，然后对AuxResUnet模型进行训练；训练获得AuxResUnet肝脏图像分割模型。

4.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

采用S2中经过预处理和数据标准化的三维腹部肝脏CT图像数据制作并扩充肝脏VOI数据训练集，并用于AuxResUnet网络的训练，目标函数设置为Jaccard损失，训练获得AuxResUnet肝脏图像病变分割模型。

5.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

采用S2中经过预处理和数据标准化的三维腹部肝脏CT图像数据制作并扩充病变VOI数据训练集，并用于AuxDenseNet网络的训练，目标函数设置为Focal损失，训练获得AuxDenseNet病变检测模型。

6.根据权利要求3所述的方法，其特征在于，

所述方法包括如下子步骤：

A1、对每个经过预处理和数据标准化的三维腹部肝脏CT图像数据重新采样为3mm的切片厚度，并采样到480×480尺度；

A2、保留5张切片作为AuxResUnet网络的训练集，并将保留的切片保存为五维张量，本步骤通过调用Numpy函数包save实现；

A3、将获取的切片在-5°和+5°之间应用随机旋转，以便在训练期间产生合理的肝脏变形，本步骤通过调用Keras框架ImageDataGenerator实现；

A4、从均匀分布的切片中随机采样进行图像弹性扭曲的数据扩充操作，最大位移为±4，网格间距为32个体素，本步骤通过调用Python函数包Augmentor实现；

A5、基于Keras框架，利用Adam网络训练优化器和步骤A4中获取的图像弹性扭曲数据扩充后的数据训练AuxResUnet网络，并采用Dice损失作为目标函数，通过早停方法确定训练周期，获得AuxResUnet肝脏图像分割模型。